Fugu-MT 論文翻訳(概要): Variational Autoencoders for Learning Nonlinear Dynamics of Physical Systems

論文の概要: Variational Autoencoders for Learning Nonlinear Dynamics of Physical Systems

arxiv url: http://arxiv.org/abs/2012.03448v2
Date: Mon, 15 Mar 2021 18:58:18 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:32:34.621087
Title: Variational Autoencoders for Learning Nonlinear Dynamics of Physical Systems
Title（参考訳）: 物理系の非線形ダイナミクス学習のための変分オートエンコーダ
Authors: Ryan Lopez and Paul J. Atzberger
Abstract要約: 非線形システムの並列表現を学習するために,事前の物理情報を取り込むデータ駆動手法を開発した。本手法は、非線形状態空間モデルから学習するための変分オートエンコーダ(VAE)に基づく。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop data-driven methods for incorporating physical information for priors to learn parsimonious representations of nonlinear systems arising from parameterized PDEs and mechanics. Our approach is based on Variational Autoencoders (VAEs) for learning from observations nonlinear state space models. We develop ways to incorporate geometric and topological priors through general manifold latent space representations. We investigate the performance of our methods for learning low dimensional representations for the nonlinear Burgers equation and constrained mechanical systems.
Abstract（参考訳）: パラメータ化されたPDEとメカニクスから生じる非線形システムのパジュネート表現を学習するために,事前の物理情報を組み込むデータ駆動手法を開発した。本手法は、非線形状態空間モデルから学習するための変分オートエンコーダ(VAE)に基づく。我々は、一般多様体潜在空間表現を通して幾何学的および位相的先行を組み込む方法を開発した。非線形バーガース方程式と制約付き機械システムの低次元表現を学習する手法の性能について検討した。

関連論文リスト

Geometric Principles for Machine Learning of Dynamical Systems [0.0]
本稿では,構造的一般化を実現するために,構造に富む幾何学的空間を機械学習に活用することを提案する。本稿では,線形時間不変力学系の機械学習を通して,この考え方を説明する。
論文参考訳（メタデータ） (2025-02-19T17:28:40Z)
SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。本実験は, ネットワーク力学の精度向上と簡易性を検証した。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints [0.7252027234425334]
本稿では、物理に基づく先行技術と高度な機械学習技術との相乗効果を生かした、新しいデータ駆動型フレームワークを提案する。本フレームワークでは, 特定の非線形系のクラスに合わせて, 特定の物理系を組み込んだ4つのアルゴリズムを紹介する。これらの事前の統合はまた、ニューラルネットワークの表現力を高め、物理的現象に典型的な複雑なパターンをキャプチャすることを可能にする。
論文参考訳（メタデータ） (2024-06-20T23:10:41Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文参考訳（メタデータ） (2022-11-07T14:52:58Z)
GD-VAEs: Geometric Dynamic Variational Autoencoders for Learning Nonlinear Dynamics and Dimension Reductions [0.0]
我々は、観測から非線形力学の同相表現を学習するためのデータ駆動手法を開発した。このアプローチは、一般多様体ラテント空間の力学の非線形状態空間モデルを学ぶ。パラメータ化されたPDEと物理における問題に動機付けられ, 縮小次元表現の学習タスクにおける手法の性能について検討した。
論文参考訳（メタデータ） (2022-06-10T15:23:23Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
A Deep Learning Approach for Predicting Spatiotemporal Dynamics From Sparsely Observed Data [10.217447098102165]
未知偏微分方程式(PDE)によって駆動される物理過程の学習予測モデルの問題を考える。本稿では,基礎となるダイナミクスを学習し,分散データサイトを用いてその進化を予測するディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2020-11-30T16:38:00Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。